¿Cuál es la importancia de la reducción del flujo de POD en el campo?

Acelera el cálculo del campo de flujo. Se reconoce que CFD requiere una gran cantidad de cálculos, ya sea que se utilice RANS para calcular toda la aeronave o DNS para calcular la turbulencia, no se puede ignorar el tiempo de cálculo. Una razón importante para desarrollar modelos de orden reducido es que al calcular algunos estados de CFD, podemos usar métodos de procesamiento de datos como la reducción de orden para extrapolar o interpolar las características del campo de flujo de otros estados, y este proceso requiere mucho tiempo. En comparación con el recálculo de CFD, es absolutamente insignificante. Especialmente para el tema de la aeroelasticidad, creo que todos los que lo han hecho lo han experimentado. Sin conocimiento previo, para capturar con precisión el límite de aleteo básicamente se requiere prueba y error constante (probar la presión dinámica) y observar la respuesta. Cabe señalar que la simulación aeroelástica requiere que el solucionador CFD inestable y la CSD (mecánica estructural computacional) se iteren entre sí, por lo que la cantidad de cálculo debe ser mayor que la solución CFD sola. Después de tener el modelo de orden reducido, solo necesitamos CFD para simular una muestra, y los procesos de iteración CFD y CSD posteriores se pueden convertir en iteraciones de resolución ROM y CSD (para estructuras lineales, la estabilidad se puede obtener directamente en función del modelo acoplado). valores característicos del sistema lineal), esta mejora de la eficiencia es realmente considerable. Además, a medida que aumente la demanda de simulación de campo de flujo, esta mejora de la eficiencia será cada vez más obvia. En otros campos, hay algo llamado PCA y algo llamado transformación KL, pero en realidad son lo mismo. Personalmente, creo que la esencia de este método de descomposición modal de la clase pod es proporcionar un conjunto de sistemas de coordenadas de baja dimensión. Bajo este nuevo conjunto de sistemas de coordenadas, podemos expresar el campo de flujo de manera más concisa. En cuanto al uso de parámetros cfd, creo que es imposible lograr los dos significados anteriores. En resumen, el núcleo del modelo de orden reducido es en realidad captar la contradicción principal. Si se comprende bien la contradicción principal, no solo puede reemplazar el complejo sistema original de orden superior, sino también realizar simulación, predicción y control. Funciones, pero también nos ayudan a comprender las principales características de los problemas físicos, por lo que sigue siendo muy valioso. Recientemente, el fuego del aprendizaje automático también ha ardido en este campo, confiando en las capacidades de procesamiento de big data para optimizar el proceso de control del campo de flujo. El gran director está ocupado afilando su espada, así que sólo podemos hacerlo con generosidad. Hay demasiados nombres importantes en este campo y hay muchas montañas. El día en que un bastardo como yo tenga éxito está muy lejos.